智慧體課程文件
將動作編寫為程式碼片段或 JSON Blob
並獲得增強的文件體驗
開始使用
將動作編寫為程式碼片段或 JSON Blob
工具呼叫 Agent (Tool Calling Agents) 是 smolagents 中可用的第二種 Agent 型別。與使用 Python 程式碼片段的程式碼 Agent 不同，這些 Agent 使用 LLM 提供商內建的工具呼叫功能，以 JSON 結構生成工具呼叫。這是 OpenAI、Anthropic 和許多其他提供商使用的標準方法。
讓我們看一個例子。當 Alfred 想要搜尋餐飲服務和派對創意時，一個 CodeAgent 會生成並執行如下的 Python 程式碼：
for query in [
"Best catering services in Gotham City",
"Party theme ideas for superheroes"
]:
print(web_search(f"Search for: {query}"))而一個 ToolCallingAgent 會建立一個 JSON 結構：
[
{"name": "web_search", "arguments": "Best catering services in Gotham City"},
{"name": "web_search", "arguments": "Party theme ideas for superheroes"}
]這個 JSON Blob 隨後被用於執行工具呼叫。
雖然 smolagents 主要關注 CodeAgents，因為它們整體效能更好，但對於不需要變數處理或複雜工具呼叫的簡單系統，ToolCallingAgents 也是有效的。
工具呼叫 Agent 如何工作？
工具呼叫 Agent 遵循與程式碼 Agent 相同的多步驟工作流程（詳見上一節）。
關鍵區別在於它們構建動作的方式：它們生成指定工具名稱和引數的 JSON 物件，而不是可執行的程式碼。然後，系統會解析這些指令來執行相應的工具。
示例：執行一個工具呼叫 Agent
讓我們重溫一下之前 Alfred 開始派對準備的例子，但這次我們將使用 ToolCallingAgent 來突顯差異。我們將構建一個可以使用 DuckDuckGo 搜尋網頁的 Agent，就像我們的程式碼 Agent 示例一樣。唯一的區別是 Agent 的型別——框架會處理其他所有事情。
from smolagents import ToolCallingAgent, DuckDuckGoSearchTool, InferenceClientModel
agent = ToolCallingAgent(tools=[DuckDuckGoSearchTool()], model=InferenceClientModel())
agent.run("Search for the best music recommendations for a party at the Wayne's mansion.")當你檢查 Agent 的追蹤記錄時，你將不會看到 Executing parsed code:（執行已解析的程式碼），而是會看到類似這樣的內容：
╭─────────────────────────────────────────────────────────────────────────────────────────────────────────────────╮
│ Calling tool: 'web_search' with arguments: {'query': "best music recommendations for a party at Wayne's │
│ mansion"} │
╰─────────────────────────────────────────────────────────────────────────────────────────────────────────────────╯Agent 會生成一個結構化的工具呼叫，系統處理這個呼叫以產生輸出，而不是像 CodeAgent 那樣直接執行程式碼。
現在我們瞭解了兩種 Agent 型別，我們可以根據我們的需求選擇合適的型別。讓我們繼續探索 smolagents，讓 Alfred 的派對圓滿成功吧！🎉
資源
- ToolCallingAgent 文件 - ToolCallingAgent 的官方文件